鋼鐵與算法：當AI用在工業界，到底能有多強大_風聞

坐在南方的酒店裏，看着窗外的雨，吹着温度適宜的空調，也許很難有人想象，26度的空調房，能和温度高達2300攝氏度的高爐鍊鋼扯上關係。

但事實是，“西電東送”項目從新疆、雲南、四川、甘肅等地跨越上千公里，將電能向東輸送到東南沿海的人們家中，整個電力傳輸的過程，涉及一種叫做“取向硅鋼”的尖端材料。它誕生的第一步，就發生在爐膛温度超過2300攝氏度的高爐裏，且十分依賴一線操作工人們日積月累的經驗判斷。

然而無論是時間，精力，還是處理信息的速度，人類總是存在物理的極限。依賴人工的監測和判斷，成了中國工業生產力與成本優化的最大瓶頸之一。

但在觀看華為開發者大會時，我卻看到了突破這種瓶頸的曙光：盤古大模型，在鋼鐵行業裏落地了。

AI被引入工業界，於是人類的第四次工業革命，悄然在工廠裏打響。

工業智能的覺醒

沒有進過工廠的人，永遠不會明白為工業提升效率能有多難。

只有當你站在5000立方米容量的巨型高爐腳下，在60度的高温裏，穿着厚重的阻燃工作服，戴着安全帽和防護，面對燒成金紅向外流淌的鐵水，還要隔着探火鏡用肉眼和爐外傳感器的間接數據，去判斷温度高達2300攝氏度的爐膛里正在發生什麼時，你才會真正理解，盤古大模型正在進行怎樣了不起的事情。

高爐是業界公認的黑匣子，它幾乎集齊了產業數字化升級最難的那些難點：

首先是收集不到準確、實時的數據。高爐內部温度高達2300度，任何傳感器都不可能監測和回傳高爐內部的實時狀況，只能通過外部傳感器間接感知爐內變化，採集到的數據本身就有挺大的誤差。

其次是大時滯性。因為無法實時監測，所以鋼鐵工人們每一組每一個動作下去，都要過很長時間才能收到反饋，無論對了錯了，誤差多少，長則七八個小時，短則四五個小時，可能等到鐵水從高爐裏流出來，才能知道結果如何。

就像一個人如果沒有味覺，那吃水果的時候，就有可能嘗不出水果有沒有壞掉，直到胃疼了才能知道吃錯了東西。

怎麼辦？加強感知，用算法進行模擬。

比如華為雲就用了頻域多尺度算法，這是種計算機視覺領域的算法，原理可以簡單理解為它通過不同方法把水果切成了大小不一的小塊，然後從不同的角度去觀察它們，來判斷水果品相如何，有沒有壞掉，甚至含糖量多少。

比如，按照經驗，很多水果顏色更紅的一側，就要比不紅的一側甜一些。

這種算法能夠一定程度上解決數據維度太多，複雜度又特別高的情況。但要想從結果再去逆推爐內到底發生了什麼，難度還是非常高：

以寶武鋼鐵的標準為例，能在高爐內影響最終結果的參數，光類別就被分為了8大類，77個小類，參數總數超過1400個，爐內物質形態都是固液氣三相併存的，每一種參數都可能跟其他的多種參數互相的勾連、互相耦合。

誰和誰反應，反應的先後，一個參數變化會引發其他參數怎麼變化，最終會出什麼樣質量的結果，幾乎不可能用數學公式去表達，只能依賴首席操作工的經驗判斷。

這在工業界叫做“參數之間具有強耦合性”，就像你吃了1400種菇子，發現眼前有小人兒跳舞，誰也説不清楚哪個小人兒是哪種菇子下的手。

這套高爐生產的做法，從十多年前持續運作至今，效率也沒有過顛覆性的提升，因為無論是觀測還是模擬，都實在是超越了人類的物理極限。

而盤古大模型用上了時序信息增強算法，儘量把時間跨度切到足夠小，原先可能以分鐘為單位，現在以秒為單位。劃分到足夠細的時候，就能把菇子和小人兒們全都打上時間戳，讓大家都規規矩矩地排排坐，再進一步模擬到底是哪個菇子產生了反應，造出了哪個小人兒在你眼前跳舞。

通過先進的算法和龐大的算力支持，模擬預測了過去上百年都被認為無法完全觀測的反應，用“算力”和“智力”顛覆了傳統工業對物理傳感器的依賴。

人工智能的覺醒，放在普通人的身邊，也許會成為和病人聊天的心理醫生；但工業智能的覺醒，放在鋼鐵生產的高爐裏，就成了第四次工業革命的槍聲。

根據實踐，爐內每減少10℃的温度波動，每噸鐵水就可以減少1kg焦炭的消耗，成本就能降低3塊錢。按照官方預測，盤古大模型在高爐爐況優化這一個場景，每年就可以為寶鋼降本超過10億元。

而這還只是水面之上，最直接的經濟效益。

水面之下，是對整個中國工業體系創新研發效率的巨大推動。

盤古鋼鐵大模型的橫空出世，有點要幫着高爐鍊鐵打響逆天改命第一槍的意思：它們終於讓曾經被認為幾乎不可能被觀測到的高爐鍊鐵爐內反應，變得越來越可預測。

但可預測的並不只有高爐鍊鐵。

推動創新飛輪的AI之手

氣象過程過去也被認為是無法完全觀測，過程機理也都不甚明確的一個領域。所以大型城市的高分辨率預報，一直是業界持續試圖解決的難題。

而盤古氣象大模型在發佈之後，就在這方面展現了相當優秀的能力。去年就憑藉對台風軌跡的預測準確度震驚過業界，到了今年，華為雲在去年25KM的全球模型基礎上，融合區域高質量氣象數據集，升級了分辨率分別為1公里、3公里、5公里的區域預報能力。

我曾經把基礎大模型進化到行業大模型的過程，比作一個極其出色的學霸，完成了基本知識的學習之後，開始專攻不同的專業。

盤古大模型的架構就很典型：

但和很多人所熟知的各類大語言模型不同，盤古大模型的基礎能力並不只是理解自然語言，而是真正意義上的用包含自然語言、機器視覺、科學計算、多模態等等方式，理解三維的物理世界。

這就是為什麼盤古大模型具有如此泛化的能力，能夠同時賦能千行百業，可以預測高爐中的反應，也可以預測氣象變化，還能做自動駕駛，預測車輛和行人的行為，甚至能夠預測一些極其罕見，以至於沒有樣本的故障類型——

據華為雲專家的敍述，他們團隊在將盤古鐵路大模型用於高鐵巡檢機器人的過程中，遇到了一個誰都沒想到的問題：中國的高鐵太可靠了，以至於故障樣本太少，一些低概率但高風險的類型根本收集不到真實數據。

怎麼辦？

還是模擬，不光模擬好的情況，咱也能模擬問題和故障。華為雲和北鐵所採用了“高鐵故障數據生成算法”， 利用文生圖、圖生圖的方式，生成高鐵場景罕見故障樣本，來豐富故障類型，再通過一種小樣本學習技術，用多輪迭代把識別率逐步做上去。

這將許多巡檢工人從繁重的勞動中解放了出來，減輕、減少凌晨時段巡檢的艱辛作業，還大幅提升了檢測效率和檢測準確率。一個大模型就能覆蓋8大類型、350多種故障，而且故障識別率已經提高到了99%以上。

當這種模擬能力被用在設計領域，簡直就是個神器。

比如建築設計，曾經是極其複雜且耗時的工作，要藉助CAD等工具畫圖，再用3DMax等軟件對圖紙進行渲染，製作效果圖和相關視頻，接着在一個漫長的週期裏，反覆進行大量的確認流程，不斷對圖紙和效果圖、視頻進行修改。

一般來説，自行製作渲染一張效果圖可能需要數小時，而製作一個視頻可能要數天。如果選擇供應商服務，渲染一張效果圖的費用上千元人民幣，動畫視頻的製作成本每秒鐘都要400-800元。

華為雲用盤古大模型搞了個狠活，依託可控高質量視頻生成和3D重建兩個技術，用户只需要輸入建築周邊環境的場景視頻或者圖片，加上一張建築意向的草圖，再配一段描述，盤古就能直接給你生成一段建築物在該環境中的環繞效果視頻，然後快速重建出高真實感的建築3D模型。

我都不敢想，設計師有了這玩意，能玩出什麼花活來。

普通的大語言模型，輸入的是互聯網上的圖片跟文字，輸出的也是圖片跟文字；而華為雲做出的盤古，輸入是物理世界的三維數據，所以輸出也是物理世界三維數據。

跟AI聊天，許多人還感受不到智能化時代的到來究竟意味着什麼；但當AI大模型被成功地用在工業領域、氣象領域、設計領域，那種顛覆性的力量很容易就能化成一隻看得見的巨手，在你面前一把推動了可以顛覆世界的那個創新飛輪。

智能與工業的交響曲

高爐的火焰見證了AI技術的神奇，高鐵的軌道上，人們享受着AI帶來的精準與效率。在許多大模型還在卷聊天的時候，華為雲已經在工業領域走得很遠了。

鋼鐵產業的背後，是C919的飛機起落架，是高鐵列車的軸承與車輪，是中國汽車產業3000萬的年產銷量，和全球第一的出口量。

鐵路大模型賦能的是中國四萬五千公里的高鐵里程，是每年36.8億人次（2023年數據）的出行安全與體驗，是能夠重塑客運與貨運交通邏輯與效率體系的交通網絡。

精準的氣象預測，則可以走入水利水電、航空航天、農業牧業，甚至是各類新能源領域……

從行業的角度來看，人工智能+千行百業的未來，正以驚人的速度在中國成為現實。

而從AI發展的角度看，中國的千行百業，也成為了AI大模型產業實踐最好的舞台。這片擁有全球門類最齊全、體系最完整工業體系的土地，本就是智能化走向應用的最好的土壤。

而盤古這樣從誕生開始，就立足產業的大模型，也的確不斷推動着新質生產力的騰飛，真真正正地在幫助傳統行業“解難題，做難事”。

而且已經解出了一些題，做成了一些事。

當一個又一個的案例在盤古5.0發佈的過程中出現，你會發現所有人在一起，其實都是在做一件事：推動整個中國社會做一場關於新質生產力的革命。

而華為雲和其他同樣可以被定義為生產力工具的廠商相比，最大的區別或許是華為雲的整個算力體系，從底層應用件，到系統，到大模型，是全棧自研的。

這場智能化引發的人類第四次工業革命，和互聯網帶來的革命有個本質的區別，就是邊際成本不同。

互聯網過去喜歡強調規模效應，因為互聯網的規模增長，往往沒有太高的邊際成本。互聯網企業在10萬用户和100萬用户時的成本差別，通常都不算太大。但大模型則是每計算一次，都要產生一次計算的成本，這就讓華為這樣具有全棧能力和自有算力基礎設施的廠商，有了更強的競爭力。

生產力工具帶來生產關係的變革，生產關係的變革帶來生產力的騰飛。

在中國工業崛起進而走向智能化的浪潮裏，以雲計算和大模型為基礎的新型生產力工具正在爆發出驚人的能量，給中國的工業****帶來顛覆性的進步與發展，重塑中國乃至世界的未來。